LLM 编程工作流加上研究门控，避免把所有论文方法都实现进去
hypergraphr · reddit · 2026-07-29
作者在构建一个面向深度学习系统的 MCP 工作流，流程是：目标拆解 → 研究检索 → 规格说明 → 实现。最初看起来流程已经完整，但实际运行后发现一个问题：LLM 在拿到研究材料后，常常会把找到的所有方法都实现进去。
这会导致几个偏差：
- 多篇论文提出的不同方案被混在一起
- 代码里塞进了冗余输入和不必要的抽象
- 模型分不清“有用上下文”“可选替代方案”和“真正要做的设计决策”
作者因此加入了一个强制的编辑/审核环节，把“研究”和“写代码”隔开：研究结果先可审阅，再由人或后置步骤明确决定保留哪些方法、排除哪些方法、默认哪些假设，最后再生成最终规格和实现。
核心观点是：让模型先查资料再直接编码并不可靠，门控与人工决策可能是工程工作流里最重要的一环。
「编程与Agent」频道最新
- MazeBench 发布 3D 长程规划基准，顶级智能体难过初关 — majidmanzarpour · 2026-07-29
- Dan Grover 做了个在 Herdr 显示 AI agents 的 Stream Deck 插件 — DanGrover · 2026-07-29
- 本地口型识别演示把口型指令直接变成 Claude 代码 — breath_mirror · 2026-07-29
- GitHub 仓库打包 Claude Code、Codex CLI 与 Cursor 实战配置 — tom_doerr · 2026-07-29
- 一个配置界面把 Codex、Claude、Copilot 和 Grok Build 摆上桌 — draginol · 2026-07-29
- 零基础如何构建本地 AI 项目管理器？Reddit 网友支招 — koreanalleyarcade · 2026-07-29